高光谱成像仪得到的高光谱影像数据有着分辨率较高,数据量大且波段多的特点,所以高光谱遥感在当今社会的各个领域都有着比较普遍的应用和广阔的前景,不过高光谱遥感数据同时还存在着光谱分辨率高但是空间分辨率较低的问题。因为得到的数据空间分辨率较低所以在高光谱遥感影像中普遍存在混合像元,且它并不是纯像元,而是各个端元按照一定的比例组合而成的,所以混合像元的出现不仅让我们在像元的分类上受到了阻碍,也给高光谱遥感数据分类精度的提高带来了困扰。高光谱解混技术就是指将高光谱图像分离成端元的光谱特征以及每个像素都有一组丰度分数的过程。本文中将深度学习的相关思想引入到高光谱图像解混问题上并利用卷积网络框架对高光谱图像的光谱与空间信息提取以及融合得到了更好的解混效果。本文的主要工作如下:(1)提出了一种基于卷积神经网络的有监督高光谱图像解混方法。首先提出了基于一维卷积神经网络的有监督高光谱图像解混,该方法由两个阶段组成:第一阶段利用卷积对输入的像素进行特征提取,第二阶段对提取的特征进行模糊解混得到丰度值。该方法端到端的网络结构以及提取到的更丰富的特征提高了解混的准确率。接着在一维网络的基础上提出了基于三维卷积神经网络的有监督高光谱图像解混方法,该方法通过三维卷积的操作同时提取了空间与光谱维度上的信息,在提取特征的同时做到融合多维度的信息,有效地利用了输入的像素邻域信息,该方法具有较高的精度。(2)提出了基于非对称卷积自编码网络的无监督高光谱图像解混方法,将深度学习解混方法从有监督变为了无监督,使得解混的应用范围更加广泛。该方法利用非对称卷积自编码网络来模拟高光谱图像的线性混合模型进行无监督解混,在网络中加入了解混的约束条件,最终能够同时得到高光谱图像的端元以及丰度值,并且无需类标的情况下也能做到高效地高精度解混。(3)提出了基于空谱联合自注意力机制的非对称卷积自编码网络无监督高光谱图像解混方法,在非对称卷积网络的基础上加入了空谱联合自注意力机制,利用空谱联合自注意力机制能够提取空间和光谱两个维度上的长距离依赖关系以及特征信息,将两个维度上提取得到的信息进行融合从而充分利用了输入像素块的空间以及光谱维度上的全局信息,提升了解混精度。